新论文：可微因果发现中的“先验指导”机制违反三条必要条件，单个错误先验可在87%–97%试验中压制真实边
arXiv预印本证明：基于增广拉格朗日惩罚的禁止边约束会让错误先验在反事实检查前压掉真实边；关联匹配目标还会让方向不可识别，覆盖 4 到 32 节点的 3072 次训练。
AI解读：这篇论文戳破了一个常见假设：很多可微因果发现方法允许用专家先验声明“某条边不可能存在”，并靠增广拉格朗日（ALM）惩罚去执行，同时默认数据自适应机制会纠正错误先验。作者证明这个“指导而非绑定”的设计会失效：增量惩罚会先于任何反事实检查把被错误禁止的真实边压掉，他们在 4 到 32 节点、3072 次训练中看到，只要有一个错误先验，真实边在 87%–97% 的试验中消失。另一个独立问题是，标准的相关匹配目标让真实边和反向边成本完全相同，除非改用协方差匹配，否则方向无法识别。对实际做因果发现的研究者或工程师意味着：加先验约束要极其谨慎，不能指望算法自己纠错，最好用协方差而不是相关做目标，并且至少要检查先验是否违反论文给出的三条必要条件。对普通读者，这项技术进展暂时不需行动，但它提醒人们，专家知识并不总能帮机器学习模型找到正确因果关系。
一篇预印本论文指出，可微因果发现方法中“把专家先验编码为禁止边约束、由增广拉格朗日（ALM）惩罚执行”的常见设计会失效，失效原因有两个且已被精确刻画，即使同时修复也只能部分恢复。论文标题为《Guide, Not Bind: Why Defeasible Priors Fail in Augmented Lagrangian Causal Discovery》，作者为Sairam Sundararaman、Sara Girdhar、Manit Narasimha Murthy、Samrudh N、Bhaskarjyoti Das，2026 年 9 月 3 日提交至arXiv（编号 2609.03442）。
论文将这种设计称为“guide, not bind”，即假设数据自适应松弛机制会削弱并最终覆盖与数据持续矛盾的先验规则。作者证明该设计会失败：一是顺序惩罚梯度ALM会在反事实检查发现之前就抑制被错误禁止的真实边；二是标准的相关匹配目标会让真实边和反向边成本完全相等，导致方向不可识别。
实验覆盖 4 到 32 节点的图，共 3072 次训练。在论文引入的自适应松弛规则DADU下，单个错误先验在 87% 到 97% 的试验中抑制了真实边。
论文方法部分给出了避免失败所需的三条必要条件的命题（Proposition 3.1），证明DADU违反全部三条条件（Corollary 3.2），并通过 3072 次训练运行验证了这一失败模式。
论文还证明（Lemma 4.1），标准的相关匹配目标将真实边及其反向边绑定到完全相同的成本 2r²，原因并非底层等方差模型不可识别，而是归一化为相关丢弃了能使方向可识别的方差信息。相比之下，协方差匹配能以至少w₀⁴ 的可证明余量分离两个方向（Lemma 4.2）。